自由空间光通信(Free Space Optical Communications,FSO)是一种经过调制将可见光、激光或者红外光通过大气进行信息传输的光通信技术。该技术具有带宽大、速率高、安全性高、组网灵活和成本低等优点,近些年来已经成为通信行业的热点之一。然而,由于FSO波束窄、终端集成困难以及节点度受限等自身问题,作为通信的第一步,FSO组网存在一些亟待解决问题。目前,针对FSO组网技术的研究已日臻成熟,国内外公开的期刊论文较多。由于FSO传输可视距,要求收发端具有较高的对准性。同时,不同于传统无线网络,FSO链路功率受限且受到大气信道的影响,在接收端信号功率会降低,所以通信的范围有一定的影响,进而影响网络规模和网络的扩展性。因此,FSO的组网技术不能沿用传统的无线自组网中的组网技术。而需要设计合理有效的网络拓扑控制和路由策略以便最大限度的弥补FSO链路特性带来的不足,对整个网络的生存也有重大影响。本文首先阐述了自由空间光通信的研究背景意义及关键技术,然后针对FSO组网设计了FSO网络的节点模型、能量模型及网络模型,并对本文用到的Voronoi图、机器学习进行了介绍。在此基础上,本文提出了基于分层分布式网络模型,结合局部Delaunay三角剖分(LDT)算法和机器学习,考虑到簇头和下层节点的移动,提出了一种用于无线光网络拓扑控制的机器学习算法(Topology Control Based Machine Learning Algorithm,TCBMLA),简称TC-ML算法。该拓扑控制算法不仅可以创建具有高连通性和强鲁棒性的拓扑结构,而且可以实现拓扑结构的重构。该拓扑控制算法主要包括两种算法。第一种称为拓扑形成算法,包括上层拓扑形成算法和下层拓扑形成算法,上层拓扑形成算法主要构造了基于Voronoi图的主干网络,下层拓扑形成算法主要以机器学习预测出的节点平均度为参考形成下层拓扑结构。第二种称为动态管理算法,通过利用Voronoi图的局部动态性重新配置上层拓扑,通过利用机器学习的预测算法重新分配下层拓扑结构。在此基础上,研究了节点的连接准则,包括节点的最大接入度,给出了推导公式,避免了节点过载和能量消耗过大的问题。本文也对TC-ML算法进行了仿真和分析,结果表明,TC-ML算法可以形成一个高连通性、全覆盖和可自动重构拓扑的FSO网络。